Fugu-MT 論文翻訳(概要): SGA: A Graph Augmentation Method for Signed Graph Neural Networks

論文の概要: SGA: A Graph Augmentation Method for Signed Graph Neural Networks

arxiv url: http://arxiv.org/abs/2310.09705v1
Date: Sun, 15 Oct 2023 02:19:07 GMT
ステータス: 処理完了
システム内更新日: 2023-10-18 01:55:57.601383
Title: SGA: A Graph Augmentation Method for Signed Graph Neural Networks
Title（参考訳）: SGA: 符号付きグラフニューラルネットワークのためのグラフ拡張手法
Authors: Zeyu Zhang, Shuyan Wan, Sijie Wang, Xianda Zheng, Xinrui Zhang, Kaiqi Zhao, Jiamou Liu, Dong Hao
Abstract要約: 符号付きグラフニューラルネットワーク(SGNN)は、正と負のリンクを含む実世界の符号付きグラフの複雑なパターンを分析するのに不可欠である。本稿では3つの主要コンポーネントからなる新しいサイン付きグラフ拡張フレームワーク(SGA)を紹介する。我々の手法は、Wiki-RfA上のSGCNのAUCでは22.2%、F1-バイナリでは33.3%、F1-microでは48.8%、Bitcoin-alpha上のGATでは36.3%でベースラインを上回ります。
参考スコア（独自算出の注目度）: 14.441926210101316
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Signed Graph Neural Networks (SGNNs) are vital for analyzing complex patterns in real-world signed graphs containing positive and negative links. However, three key challenges hinder current SGNN-based signed graph representation learning: sparsity in signed graphs leaves latent structures undiscovered, unbalanced triangles pose representation difficulties for SGNN models, and real-world signed graph datasets often lack supplementary information like node labels and features. These constraints limit the potential of SGNN-based representation learning. We address these issues with data augmentation techniques. Despite many graph data augmentation methods existing for unsigned graphs, none are tailored for signed graphs. Our paper introduces the novel Signed Graph Augmentation framework (SGA), comprising three main components. First, we employ the SGNN model to encode the signed graph, extracting latent structural information for candidate augmentation structures. Second, we evaluate these candidate samples (edges) and select the most beneficial ones for modifying the original training set. Third, we propose a novel augmentation perspective that assigns varying training difficulty to training samples, enabling the design of a new training strategy. Extensive experiments on six real-world datasets (Bitcoin-alpha, Bitcoin-otc, Epinions, Slashdot, Wiki-elec, and Wiki-RfA) demonstrate that SGA significantly improves performance across multiple benchmarks. Our method outperforms baselines by up to 22.2% in AUC for SGCN on Wiki-RfA, 33.3% in F1-binary, 48.8% in F1-micro, and 36.3% in F1-macro for GAT on Bitcoin-alpha in link sign prediction.
Abstract（参考訳）: 符号付きグラフニューラルネットワーク(SGNN)は、正と負のリンクを含む実世界の符号付きグラフの複雑なパターンを分析するために不可欠である。しかし、現在のSGNNベースで署名されたグラフ表現学習を妨げる3つの重要な課題は、署名されたグラフの空間性は、未発見の潜在構造を残し、不均衡な三角形はSGNNモデルに表現上の困難をもたらす。これらの制約は、SGNNに基づく表現学習の可能性を制限する。我々はこれらの問題をデータ拡張技術で解決する。符号なしグラフには多くのグラフデータ拡張方法が存在するが、符号付きグラフには向いていない。本稿では3つの主要コンポーネントからなる新しい手書きグラフ拡張フレームワーク(SGA)について紹介する。まず, sgnnモデルを用いて符号付きグラフを符号化し, 候補拡張構造の潜在構造情報を抽出する。第2に、これらの候補サンプル(エッジ)を評価し、元のトレーニングセットを変更するための最も有益なものを選択する。第3に,トレーニングの難易度をサンプルに割り当て,新たなトレーニング戦略の設計を可能にする新しい強化視点を提案する。 6つの実世界のデータセット(Bitcoin-alpha、Bitcoin-otc、Epinions、Slashdot、Wiki-elec、Wiki-RfA)に対する大規模な実験は、SGAが複数のベンチマークでパフォーマンスを大幅に改善することを示した。提案手法は,wiki-rfaのsgcnでは最大22.2%,f1-binaryでは33.3%,f1-microでは48.8%,f1-macroでは36.3%, bitcoin-alphaでは36.3%のベースラインを上回った。

関連論文リスト

DropEdge not Foolproof: Effective Augmentation Method for Signed Graph Neural Networks [11.809853547011704]
本論文では, 有意または負の符号でマークされたエッジを用いて, 親和性や敵意関係をモデル化した有意グラフについて論じる。著者らはこれらの問題に対処するためにデータ拡張(DA)技術を提案する。彼らはSigned Graph Augmentation (SGA)フレームワークを紹介した。
論文参考訳（メタデータ） (2024-09-29T09:13:23Z)
Self-Attention Empowered Graph Convolutional Network for Structure Learning and Node Embedding [5.164875580197953]
グラフ構造化データの表現学習では、多くの人気のあるグラフニューラルネットワーク(GNN)が長距離依存をキャプチャできない。本稿では,自己注意型グラフ畳み込みネットワーク(GCN-SA)と呼ばれる新しいグラフ学習フレームワークを提案する。提案手法はノードレベルの表現学習において例外的な一般化能力を示す。
論文参考訳（メタデータ） (2024-03-06T05:00:31Z)
SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文参考訳（メタデータ） (2023-08-03T07:00:04Z)
Self-attention Dual Embedding for Graphs with Heterophily [6.803108335002346]
多くの実世界のグラフはヘテロ親和性があり、標準のGNNを用いた分類精度ははるかに低い。ヘテロ親和性グラフとホモ親和性グラフの両方に有効である新しいGNNを設計する。我々は,数千から数百万のノードを含む実世界のグラフ上でアルゴリズムを評価し,最先端の結果が得られたことを示す。
論文参考訳（メタデータ） (2023-05-28T09:38:28Z)
Measuring the Privacy Leakage via Graph Reconstruction Attacks on Simplicial Neural Networks (Student Abstract) [25.053461964775778]
グラフ再構成攻撃(GRA)により、グラフ表現が逆転してグラフを復元できるかどうかを検討する。本稿では,グラフデコーダを用いてグラフの隣接行列を表現から復元するGRAを提案する。 SNNの出力は、GRAを守るための最低のプライバシー保護能力を明らかにしている。
論文参考訳（メタデータ） (2023-02-08T23:40:24Z)
MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文参考訳（メタデータ） (2022-08-21T15:12:08Z)
Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文参考訳（メタデータ） (2022-03-03T09:53:53Z)
Imbalanced Graph Classification via Graph-of-Graph Neural Networks [16.589373163769853]
グラフニューラルネットワーク(GNN)は、グラフの分類ラベルを識別するグラフ表現の学習において、前例のない成功を収めている。本稿では,グラフ不均衡問題を軽減する新しいフレームワークであるグラフ・オブ・グラフニューラルネットワーク(G$2$GNN)を提案する。提案したG$2$GNNは,F1-macroとF1-microのスコアにおいて,多くのベースラインを約5%上回る性能を示した。
論文参考訳（メタデータ） (2021-12-01T02:25:47Z)
Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文参考訳（メタデータ） (2021-10-29T19:55:12Z)
Graph Neural Networks with Learnable Structural and Positional Representations [83.24058411666483]
任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
論文参考訳（メタデータ） (2021-10-15T05:59:15Z)
Graph Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文参考訳（メタデータ） (2020-10-22T20:13:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。